/ Модель

Характеристики

Параметры
113 млн
Архитектура
wavlm · dense
Опубликована
2 мар 2022

wavlm-base-sv

Языковая модель4 профессии

Модель Microsoft на основе WavLM формирует голосовые эмбеддинги для проверки личности говорящего по аудио с частотой 16 кГц.

18 116скачиваний за 30 дней14лайковвеса обновлены25 мар 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки19

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIBFLEURS

    main_score

    Результат

    0,1506

    Общий результат 0,2146Общий результат 0,2126Общий результат 0,1858
    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPEmotion

    main_score

    Результат

    0,212

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1206

    Общий результат 0,1424Общий результат 0,1406Общий результат 0,1365
    MTEB

    Публичная таблицаревизия совпадает

  • GTZANAudioReranking

    main_score

    Результат

    0,592

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50AudioReranking

    main_score

    Результат

    0,6171

    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,53

    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,2962

    MTEB

    Публичная таблицаревизия совпадает

  • VoxLingua107_Top10

    main_score

    Результат

    0,3991

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentPairClassification

    main_score

    Результат

    0,5131

    MTEB

    Публичная таблицаревизия совпадает

  • VehicleSoundClustering

    main_score

    Результат

    0,0041

    MTEB

    Публичная таблицаревизия совпадает

  • VoiceGenderClustering

    main_score

    Результат

    0,1294

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageGenderDetection

    main_score

    Результат

    0,4145

    MTEB

    Публичная таблицаревизия совпадает

  • AmbientAcousticContextClustering

    main_score

    Результат

    0,2512

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,6458

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50

    main_score

    Результат

    0,504

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8KAudioReranking

    main_score

    Результат

    0,4664

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0043

    MTEB

    Публичная таблицаревизия совпадает

  • MusicGenreClustering

    main_score

    Результат

    0,1601

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageAgeDetection

    main_score

    Результат

    0,1537

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

WavLM-Base for Speaker Verification — модель Microsoft для проверки личности говорящего по речи. Это модель семейства WavLM с архитектурой Transformer и головой WavLMForXVector; она содержит 113,3 млн параметров. Базовая модель предварительно обучена на 960 часах LibriSpeech с частотой дискретизации 16 кГц, а версия для проверки говорящего дообучена на VoxCeleb1 с головой X-Vector и функцией потерь Additive Margin Softmax.

Модель принимает речевое аудио с частотой 16 кГц и формирует векторные представления голоса, пригодные для сравнения говорящих и проверки совпадения личности. Её можно применять для верификации диктора в записях и системах контроля доступа по голосу. Карточка не описывает поддержку других языков помимо английского в метаданных и не приводит отдельные показатели качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • сравнение голосов для проверки личности говорящего
  • верификация пользователя по голосу
  • извлечение голосовых эмбеддингов из речевых записей
  • проверка совпадения диктора в аудиофрагментах

Ограничения

Для входа требуется речь с частотой дискретизации 16 кГц. Предоставленная карточка не содержит сведений о лицензии или количественных показателях качества.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WavLM-Base for Speaker Verification

Microsoft's WavLM

The model was pretrained on 16kHz sampled speech audio with utterance and speaker contrastive loss. When using the model, make sure that your speech input is also sampled at 16kHz.

The model was pre-trained on 960h of Librispeech.

Paper: WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing

Authors: Sanyuan Chen, Chengyi Wang, Zhengyang Chen, Yu Wu, Shujie Liu, Zhuo Chen, Jinyu Li, Naoyuki Kanda, Takuya Yoshioka, Xiong Xiao, Jian Wu, Long Zhou, Shuo Ren, Yanmin Qian, Yao Qian, Jian Wu, Michael Zeng, Furu Wei

Abstract Self-supervised learning (SSL) achieves great success in speech recognition, while limited exploration has been attempted for other speech processing tasks. As speech signal contains multi-faceted information including speaker identity, paralinguistics, spoken content, etc., learning universal representations for all speech tasks is challenging. In this paper, we propose a new pre-trained model, WavLM, to solve full-stack downstream speech tasks. WavLM is built based on the HuBERT framework, with an emphasis on both spoken content modeling and speaker identity preservation. We first equip the Transformer structure with gated relative position bias to improve its capability on recognition tasks. For better speaker discrimination, we propose an utterance mixing training strategy, where additional overlapped utterances are created unsupervisely and incorporated during model training. Lastly, we scale up the training dataset from 60k hours to 94k hours. WavLM Large achieves state-of-the-art performance on the SUPERB benchmark, and brings significant improvements for various speech processing tasks on their representative benchmarks.

The original model can be found under https://github.com/microsoft/unilm/tree/master/wavlm.

Fine-tuning details

The model is fine-tuned on the VoxCeleb1 dataset using an X-Vector head with an Additive Margin Softmax loss X-Vectors: Robust DNN Embeddings for Speaker Recognition

Usage

Speaker Verification

from transformers import Wav2Vec2FeatureExtractor, WavLMForXVector
from datasets import load_dataset
import torch

dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained('microsoft/wavlm-base-sv')
model = WavLMForXVector.from_pretrained('microsoft/wavlm-base-sv')

# audio files are decoded on the fly
inputs = feature_extractor(dataset[:2]["audio"]["array"], return_tensors="pt")
embeddings = model(**inputs).embeddings
embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()

# the resulting embeddings can be used for cosine similarity-based retrieval
cosine_sim = torch.nn.CosineSimilarity(dim=-1)
similarity = cosine_sim(embeddings[0], embeddings[1])
threshold = 0.86  # the optimal threshold is dataset-dependent
if similarity < threshold:
    print("Speakers are not the same!")

License

The official license can be found here

design

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
WavLMForXVector
Ревизия весов
0a23162

0 моделей